論文の概要: A Framework for Cross-Domain Generalization in Coronary Artery Calcium Scoring Across Gated and Non-Gated Computed Tomography

• arxiv url: http://arxiv.org/abs/2602.21935v1
• Date: Wed, 25 Feb 2026 14:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.855079
• Title: A Framework for Cross-Domain Generalization in Coronary Artery Calcium Scoring Across Gated and Non-Gated Computed Tomography
• Title（参考訳）: 冠動脈造影CTと非グラフトCTを併用した冠動脈シンチグラフィのクロスドメイン一般化の枠組み
• Authors: Mahmut S. Gokmen, Moneera N. Haque, Steve W. Leung, Caroline N. Leach, Seth Parker, Stephen B. Hobbs, Vincent L. Sorrell, W. Brent Seales, V. K. Cody Bumgardner,
• Abstract要約: 冠状動脈カルシウム(CAC)スコアは心血管のリスクを予測する重要な指標であるが、心電図によるCTスキャンに依存している。 CAC検出のための自動フレームワークと病変特異的なAgatstonスコアリングを導入し、ゲートCTと非ゲートCTの両方で機能する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coronary artery calcium (CAC) scoring is a key predictor of cardiovascular risk, but it relies on ECG-gated CT scans, restricting its use to specialized cardiac imaging settings. We introduce an automated framework for CAC detection and lesion-specific Agatston scoring that operates across both gated and non-gated CT scans. At its core is CARD-ViT, a self-supervised Vision Transformer trained exclusively on gated CT data using DINO. Without any non-gated training data, our framework achieves 0.707 accuracy and a Cohen's kappa of 0.528 on the Stanford non-gated dataset, matching models trained directly on non-gated scans. On gated test sets, the framework achieves 0.910 accuracy with Cohen's kappa scores of 0.871 and 0.874 across independent datasets, demonstrating robust risk stratification. These results demonstrate the feasibility of cross-domain CAC scoring from gated to non-gated domains, supporting scalable cardiovascular screening in routine chest imaging without additional scans or annotations.
• Abstract（参考訳）: 冠状動脈カルシウム(CAC)スコアは心血管のリスクを予測する重要な指標であるが、心電図のCTスキャンに依存しており、特殊な心画像設定での使用を制限する。 CAC検出のための自動フレームワークと病変特異的なAgatstonスコアリングを導入し、ゲートCTと非ゲートCTの両方で機能する。 コアとなるCARD-ViTは、DINOを用いたゲートCTデータのみに訓練された自己監督型ビジョントランスである。 非ゲートトレーニングデータなしでは、我々のフレームワークは0.707の精度とStanfordの非ゲートデータセット上のCohenのカッパ0.528を達成し、非ゲートスキャンで直接トレーニングされたモデルにマッチする。 ゲートテストセットでは、CohenのKappaスコアが0.871と0.874で0.910の精度を達成し、堅牢なリスク階層化を示す。 これらの結果は,非ゲート領域へのゲート領域から非ゲート領域へのCACスコアリングの実現可能性を示し,定期的胸部画像検査における拡張性心血管スクリーニングを,スキャンやアノテーションを伴わずに実現可能であることを示唆した。

関連論文リスト

• Predicting Coronary Artery Calcium Severity based on Non-Contrast Cardiac CT images using Deep Learning [6.223136363125015]
  冠動脈カルシウム(CAC)スコアリングは動脈硬化性心血管疾患のリスクを高める強力なツールである。 現在のスコアリングは、心臓CT画像の時間集約的な半自動解析を必要とする。 本研究は, 心筋非造影CT画像におけるカルシウムスコアを6つの臨床カテゴリの1つに分類するCNNモデルを開発した。
  論文  参考訳（メタデータ） (2025-11-10T23:38:55Z)
• 3D CT-Based Coronary Calcium Assessment: A Feature-Driven Machine Learning Framework [0.6595674042529606]
  冠状動脈疾患(CAD)の早期発見と危険層形成における冠状動脈カルシウム(CAC)スコアの意義 本研究では,非コントラスト型冠動脈造影CT(CCTA)スキャンに焦点をあて,臨床現場での早期石灰化検出に広く用いられている。 限られたアノテートデータに対処するために、擬似ラベルを利用してトレーニングラベルを生成する放射能ベースのパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-10-29T10:04:47Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Artificial Intelligence-Based Opportunistic Coronary Calcium Screening in the Veterans Affairs National Healthcare System [0.8655790044415911]
  冠動脈カルシウム (CAC) は心血管イベントの予測に有用である。 CACを非コントラスト非ゲートCTスキャンで定量化するディープラーニングアルゴリズムを開発した。 非ゲート型AI-CACは10年間の死亡率の予測であった。
  論文  参考訳（メタデータ） (2024-09-16T03:59:01Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Automated Plaque Detection and Agatston Score Estimation on Non-Contrast CT Scans: A Multicenter Study [2.4476474544077225]
  本研究の目的は,3次元マルチクラスnnU-Netを用いた心臓プラーク自動検出モデルを検証することである。 本研究では,nU-Netセグメンテーションパイプラインを用いて冠状動脈と弁のプラークを検出する方法を示す。 線形補正により、nU-Net深層学習法は胸部非造影CTスキャンでAgatstonスコアを正確に推定することができる。
  論文  参考訳（メタデータ） (2024-02-14T20:41:37Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Deep Learning Models for Calculation of Cardiothoracic Ratio from Chest Radiographs for Assisted Diagnosis of Cardiomegaly [0.0]
  本研究では,胸部X線写真から心臓胸部比を算出し,心筋の存在を検出する自動法を提案する。 結束箱を用いたx線画像の心臓と胸部領域を画定する2つのモデルを開発し,その出力を用いて心拍数を算出した。
  論文  参考訳（メタデータ） (2021-01-19T13:09:29Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。